论文部分内容阅读
随着信息时代的到来以及人工智能技术的发展,智能手机等触屏设备已经成为人们生活中不可或缺的一部分,如何根据用户使用智能手机的情况识别用户的情绪状况为人机交互和用户体验提供了一种新途径。本文提出了一种通过使用智能手机时的划屏行为识别用户情绪状况的方法,首先设计情绪诱导实验,诱发测试者积极、中性和消极三类基本情绪状况,收集不同情绪状况下的划屏数据和脑电(EEG)信号,然后对划屏数据进行处理和分析,提取划屏特征,最后利用机器学习的分类方法对情绪进行分类,从而实现通过划屏行为识别用户情绪状况的目的。首先通过国际情感图片系统(IAPS)以及心理学实验平台E-Prime设计情绪诱导实验,诱发测试者积极、中性和消极的情绪状况。在三种基本的情绪状况下,利用Xshell和SSDroid平台对划屏数据进行采集,并利用EEG信号采集系统Neuroscan和64导电极帽采集测试者的EEG信号,对EEG信号进行处理,提取与情感相关的频带特征,利用支持向量机(SVM)分类算法获得了平均84.12%的情绪分类准确率,从而验证了情绪诱导的有效性。然后对不同情绪状况下的划屏数据进行处理和分析,提取包括划屏的长度、时间、速度和压力四个指标的平均值、中值、最大值、最小值以及方差共20个统计量作为划屏特征,并利用基于关联规则的特征选择算法(CFS)进行特征选择。最后从基于个人和群体两个角度利用四种分类算法对情绪进行分类,包括贝叶斯网络(BN)、反向传播神经网络(BPNN)、随机森林(RF)以及一种基于三支决策的集成分类算法。基于个人的情绪分类研究中,比较了BN、BPNN和RF分类器在特征选择前后的结果,结果表明特征选择后的分类结果平均提高了1%左右。研究表明不同性别之间划屏行为存在较大差异,因此加入性别特征对男性、女性以及所有测试者训练分类器,三种传统的分类器对三个群体平均获得了72.3%,74.6%,和70.8%的分类准确率,其中RF的分类效果最好,而基于三支决策的集成分类算法的识别准确率比RF提高了2.2%。